多聚焦图像灰度重叠特征自适应识别仿真

传统方法对多聚焦图像进行预处理,由于图像灰度重叠区域合并使原图像细节信息损失,导致多聚焦图像灰度重叠区域识别效果不理想,为此提出基于Mean-shift算法和OTSU阈值分割算法的多聚焦图像灰度重叠特征自适应识别方法。使用Mean-shift算法对多聚焦图像进行平滑处理,对平滑处理过后的多聚焦图像进行小波变换,将图像的灰度重叠区域灰度值增强;再使用阈值分割将经过灰度增强的重叠区域分类;通过OTSU算法识别出灰度重叠特征区域。实验结果表明,提出方法在图像灰度重叠区域的识别效果上较为突出,并且能够有效保留灰度重叠区域的细节信息。     

基于视觉显著度的污损图像缺陷识别方法研究

针对传统图像缺陷识别方法存在的识别时间较长、识别敏感度较低以及缺陷识别效果较差的问题,提出基于视觉显著度的污损图像缺陷识别方法。采用傅里叶变换对图像进行预处理,运用滤波器对局部窗口内的平稳过程进行处理,将图像中的高频部分进行滤除,对原始图像进行平滑处理,达到图像去噪效果。根据预处理结果提取污损图像中的视觉显著度,构成显著特征矩阵,形成视觉显著图,将视觉显著图与图像分割进行结合,实现对污损图像的缺陷识别。实验结果表明,所提方法的识别时间较快、识别敏感度较高,且缺陷识别效果较好。     

图像分割中区域灰度重叠问题研究

通过对图像不同区域灰度强度重叠问题以及图像平滑与滤波概念差异的分析,发现图像平滑对于无噪声污染图像的分割具有抑制次要目标、加剧区域边界渐变的作用,认为对图像进行平滑处理可以减小区域灰度重叠,产生过渡区域便于图像中特定目标的分割。实验表明图像灰度重叠是实现正确分割的障碍,图像平滑可以消除或减弱它的影响。     

基于分块对比的多尺度图像显著区域检测

针对图像显著区域检测区域轮廓不明确,抗噪能力弱的问题,提出一种基于分块对比的多尺度图像显著区域检测。该方法以Itti模型为基础,在多尺度下提取图像特征以更全面地表现图像的总体特征;以图像块为单位计算图像的局部对比度作为图像的显著值;用自适应阈值法从显著图中提取显著区域。仿真实验结果表明,该方法能够准确地提取图像的显著性区域,使区域具有明确的边界。     

基于视觉显著度的多聚焦图像融合方法

多聚焦图像存在聚焦区和离焦区,聚焦区通常吸引人的注意力,具有突出的视觉显著性。传统融合算法缺乏对聚焦区域的定位能力,对多聚焦图像融合的适应性普遍较差。为此,提出一种模拟人类视觉注意机制的多聚焦图像融合方法。利用谱残差算法计算源图像的显著度图,通过判断不同源图像相同位置上的像素显著性,选择显著度大的图像像素组成该源图像的聚焦区,显著度相等的像素构成边界带,使用腐蚀膨胀操作消除聚焦区内的孤立像素点,以每幅源图像的聚焦区域和梯度值较大的边界带像素作为融合图像的像素。实验结果表明,该方法能自主选择清晰像素,获得37d B以上的高峰值信噪比,且基本无参数设置,在不同类型图像融合中均表现出较强的鲁棒性。     

结合区域和边界信息的图像显著度检测

目的 图像显著度检测是许多图像应用的核心问题,为了能够在复杂背景下准确提取图像中前景对象的位置和尺度信息,提出一种结合区域和边界信息的图像显著度检测方法。方法 对于图像区域信息,提出一种基于图像等照度线的方法检测显著区域信息。该方法针对不同的特征(颜色、亮度和方向)提出统一的计算方法,使得不同特征下获得的显著信息具有一致的度量标准,从而方便后续多特征显著度图的融合。对于图像边界信息,采用一种结合多尺度Beltrami过滤器的全局方法检测显著边界信息。多尺度Beltrami过滤器可以显著增强图像中的边界信息。利用全局显著度检测方法对经过过滤器处理过的图像可以准确地获取图像中最为显著的边界信息。最后,由于区域和边界分别代表图像中的不同类型信息,可以直接采用线性融合方式构建最终的图像显著度图。结果 与其他9种流行图像显著度检测算法相比,本文算法无论在简单还是复杂背景下均能够较为准确地检测出图像中的显著度信息(Precision、Recall、F测试中获得的平均值为0.5905,0.6554,0.7470的最高测试结果)。结论 提出一种结合区域和边界信息的图像显著度检测算法,通过区域和边界信息相结合的方式实现图像中显著对象的准确检测。实验结果表明本文算法具有良好的适用性和鲁棒性,为图像中复杂背景下对象检测打下坚实基础。     

信息量加权的梯度显著度图像质量评价

目的：针对信息量加权结构化图像质量评价算法(Information Content Weighted SSIM, IW-SSIM)对图像局部失真度量能力的不足,提出了一种被称为信息量加权的梯度显著度图像质量评价改进算法(Information Content Weighted Gradient Salience SSIM, IW-GS-SSIM)。方法：该算法首先根据人眼视觉系统响应亮度刺激的韦伯定律,仅在空域内利用一次滤波快速计算出当前像素点与背景之间的对比度并将其非线性映射为该像素点的视觉显著度。然后,将视觉显著度与梯度特征结合后获得了一种新的被称为梯度显著度局部失真度量(GS-SSIM)并将其替换IW-SSIM算法中的SSIM局部结构化度量。结果：在六大公开基准数据库上完成的大量对比实验表明：对于图像的各种噪声和模糊等类型失真,GS-SSIM较SSIM局部失真度量具有更高的评价准确率。与IW-SSIM算法和其它被广泛引用的图像质量评价算法相比,改进算法评价结果总体上与主观评价结果具有更高的一致性。结论：视觉显著度与梯度特征相结合后所构成的结构化度量能够有效提高经典SSIM结构化度量对图像局部失真度量的准确性,未来可以考虑将人类视觉系统(HVS)的其它特性融入到图像质量评价算法中,以进一步提高算法的准确性。     

一种图像显著区域的提取方法

图像的显著区域能代表图像的主要内容,提取图像的显著区域在图像检索、敏感图像识别等方面有重要的作用。结合多尺度分析先提取图像的显著图,而后在显著图的基础上根据经验阈值对事先的分割区域进行判断取舍,最后根据取舍结果来确定图像的显著区域,取得了良好的效果。与具有代表性的Itti方法相比易于实现,速度快。     

基于显著区域和pLSA的图像检索方法

由于利用全局特征的图像检索方法在很大程度上受到背景的影响,提出了一种基于显著区域和pLSA相结合的图像检索方法。该方法首先通过谱残差和多分辨率分析提取图像的显著目标区域,其次计算所有图像显著区域的颜色和纹理特征并利用K-均值聚类生成视觉词汇表,然后将每幅图像表示成若干视觉词汇的集合。最后利用概率潜在语义分析（pLSA）来提取区域潜在语义特征,并使用该特征构建SVM分类器模型进行图像检索。将本方法和基于全局特征的图像检索方法比较,实验结果表明,基于显著区域的图像检索结果更加准确。     

基于视点转移和视区追踪的图像显著区域检测

借鉴心理学中有关视觉注意的研究成果,提出了一个基于视点转移和视区追踪的显著区域检测模型.它首先通过视点转移利用全局显著性度量找到显著区域的位置,然后通过视区追踪利用局部显著性度量确定显著区域的尺寸,并通过视点转移与视区追踪的循环交替依次得到一系列显著区域.根据该模型开发出了一个新的显著区域检测算法.将其应用于多种真实图像,在检测效果、运算速度和抗噪能力等方面均获得了较为满意的实验结果.     

考虑视觉显著性的部分相似图像检索

当前流行的图像检索系统普遍采用词袋(Bag-of-Words)模型表示图像视觉内容.由于传统的视觉词袋模型忽略了局部特征间的几何关系,考虑几何约束的后处理方法明显地提高了检索准确率.这些方法认为每个局部特征点是平等的,然而在实际情况中,图像中的局部特征点对于部分相似图像检索任务的重要性是不同的,比如位于相似图像区域上的特征点要比位于背景图像区域的特征点重要.鉴于此,提出考虑图像特征点重要性的部分相似图像检索算法.首先用视觉显著性算法来计算图像每个像素点的显著性(即重要性),然后在几何验证计算图像间匹配分数中考虑匹配局部特征点的重要性,最后在广泛使用的相似图像检索数据集上对提出的算法进行验证.实验结果表明了本方法的优越性.     

基于视觉显著性的目标分割算法

传统的图像分割算法在分割前需要输入目标的先验信息,因此不适应盲图像的分割。为此,提出了一种基于显著性的图像分割算法,主要借鉴人的注意力机制将图像中具有视觉显著性的区域分割出来。首先,利用Gist全局特征获取目标图像的相似图像集;然后,结合尺度不变特征SURF(speeded up robust features)和Lab颜色模型空间特征对目标图像内以及相似图像集提取显著性特征,并根据显著性块频率低的原理进行显著性分割;最后,结合图分割获得最终的显著性区域分割结果。实验结果表明该方法适用于具有显著性视觉语义的盲图像。     

利用视觉显著性与图割的图像分割算法

图割算法是图像分割中经典有效的算法,针对其在前景/背景颜色有重叠时容易产生分割错误、shrinking bias现象及交互实时性不佳的问题,提出一种利用视觉显著性与图割的交互式图像分割算法.首先利用Mean Shift算法将原始图像高效地预分割为基于区域的图结构,使得计算量大大下降;然后结合图像内容的显著性分析提高数据项约束的可靠性,并结合局部自适应的正则化参数,有效地改善了shrinking bias现象.实验结果表明,该算法交互快速,分割结果更加精确.     

基于视觉显著计算的图像语义检索方法

网络标签已经开始广泛地用于图像内容的标注和分享,由于图像本身的差异和人们对图像的不同理解,对图像语义检索提出了新的挑战。该文首先引入视觉显著模型,突出图像的显著信息;然后提取视觉显著特征,建立图像内容的相似关系;最后基于随机漫步模型平衡图像内容及网络标签间的关系。实验表明该文提出的方法能够有效地实现图像的语义理解并用于图像检索。     

结合视觉显著性的图像去噪优化算法

图像在采样、处理、传输及存储过程中受到噪声干扰,导致图像的视觉信息衰退,而人眼对图像中不同区域噪声的敏感程度不同,因此提出了结合视觉显著性的图像去噪优化算法。首先利用视觉显著性对噪声图像进行预处理,得到噪声图像中人眼感兴趣的区域;然后运用对图像纹理保护较好的BM3D算法对该区域进行去噪处理,对非感兴趣的区域采用运算速度较快的算术均值滤波算法实现去噪处理。结果表明,该方法不仅可以获得较高的主观图像质量评价,而且在客观上相比于单纯地使用BM3D算法去噪,运算时间明显缩短。     

基于视觉显著图的彩色图像检索

为提高图像检索效率,提出一种基于视觉显著图的彩色图像检索方法。利用视觉显著图去除原图中与检索任务无关的背景信息,保留用户感兴趣的图像区域信息,采用小波域的BDIP-BVLC方法提取图像特征,并引入二次查询度量策略进行距离度量。实验结果表明,与基于显著性加权的检索方法相比,该方法的平均查准率较高。     

基于图像显著性识别的自动抠图系统

RC算法引入区域级别的对比度,对颜色模型进行重新量化,能大幅提高处理速度、突出显著目标,然而其基于图的分割算法易出现分割区域不能较好地贴合物体边缘的问题。引入优化的SLIC算法代替基于图的分割算法,对RC算法进行改进,并实现一个基于图像显著性识别的自动抠图系统,克服传统抠图系统必须人工标记的缺点。实验结果表明,相比IT、MZ、GB、RC等经典算法,改进的RC算法抠取的显著目标更精确,其查准率、查全率、F值分别为0.82、0.85和0.83,系统能自动抠取显著目标并提供图片合成应用。     

基于视觉显著性的指针式仪表读数识别算法

针对指针式仪表读数算法对光照变化影响较大、识别精度不高的问题,提出一种基于视觉显著性区域检测的指针式仪表读数方法.首先利用区域对比度、空间关系、中心先验性等视觉显著性区域检测先验知识,提取仪表图像指针区域;然后用无向图排序算法进行优化,抑制非指针区域的干扰,突出指针区域;再通过依次旋转仪表指针图像统计旋转不同角度时仪表指针图像在纵轴上的投影最大值,计算指针至平行于横轴需要旋转的角度,并判断指针旋转至平行于横轴时指针顶部区域与底部区域在横轴上的投影最大值在仪表图像中位置,获取指针与横轴的夹角;最后采用最小二乘法拟合指针夹角与指针刻度之间的线性函数参数,计算仪表读数.实验结果表明,该方法在不同光照下能较好地提取指针区域,得到的仪表读数与人工读数误差较小,算法稳定可靠.     

从单幅透视投影灰度图象识别和复原旋转体

基于旋转体的三维模型研究了透视投影下的旋转体剖节线和侧轮廓线的几何性质及其计算方法，并在此基础上成功地开发了一个从单幅透视投影灰度图象识别和复原旋转体的三维视觉信息的新技术。大量的实验表明该技术是精确、有效和可靠的。